计量经济学-2一元线性回归模型.ppt

上传人:小飞机 文档编号:6343131 上传时间:2023-10-18 格式:PPT 页数:61 大小:350KB
返回 下载 相关 举报
计量经济学-2一元线性回归模型.ppt_第1页
第1页 / 共61页
计量经济学-2一元线性回归模型.ppt_第2页
第2页 / 共61页
计量经济学-2一元线性回归模型.ppt_第3页
第3页 / 共61页
计量经济学-2一元线性回归模型.ppt_第4页
第4页 / 共61页
计量经济学-2一元线性回归模型.ppt_第5页
第5页 / 共61页
点击查看更多>>
资源描述

《计量经济学-2一元线性回归模型.ppt》由会员分享,可在线阅读,更多相关《计量经济学-2一元线性回归模型.ppt(61页珍藏版)》请在三一办公上搜索。

1、第一节 概念第二节 回归模型第三节 参数的最小二乘估计第四节 模型检验第五节 预测小结,第2章 一元线性回归模型,第一节 基本概念 1、确定性关系 若一个变量能够被一个或若干个其它变量的数值按某一规律唯一地确定。2、非确定性关系(相关关系或回归关系)若一个变量不能根据其它有关变量的数值精确地求出其数值,但可以通过大量的统计资料得出它们之间的数量变化规律。3、相关分析 主要研究变量之间的相互关联程度,用相关系数表示。包括简单相关和多重相关(复相关)。4、回归分析(Regression Analysis)研究一个变量(因变量)对于一个或多个其他变量(解释变量)的数量依存关系。其目的在于根据已知的解

2、释变量的数值来估计或预测因变量的总体平均值。,分析因变量与解释变量之间的统计依赖关系,目的在于通过后者的已知或设定值去估计或预测前者的均值。这里:前一个变量被称为被解释变量(Explained Variable)或应变量(Dependent Variable),后一个(些)变量被称为解释变量(Explanatory Variable)或自变量(Independent Variable)。回归分析构成计量经济学的方法论基础,其主要内容包括:(1)根据样本观察值对经济计量模型参数进行估计,求得回归方程;(2)对回归方程、参数估计值进行显著性检验;(3)利用回归方程进行分析、评价及预测。,例如,函数

3、关系:,统计依赖关系/统计相关关系:,对变量间统计依赖关系的考察主要是通过相关分析(correlation analysis)或回归分析(regression analysis)来完成的.,不线性相关并不意味着不相关;有相关关系并不意味着一定有因果关系;回归分析/相关分析研究一个变量对另一个(些)变量的统计依赖关系,但它们并不意味着一定有因果关系。相关分析对称地对待任何(两个)变量,两个变量都被看作是随机的。回归分析对变量的处理方法存在不对称性,即区分应变量(被解释变量)和自变量(解释变量):前者是随机变量,后者不是。,注意:,例,假定一个国家的所有家庭的收入(X)和消费支出(Y)统计如下,希

4、望知道家庭消费支出与家庭收入之间的关系:Y=F(X)。,根据每个家庭的收入和支出绘出散点图,大致可看出二者间的关系:在统计意义上,二者成正比。,由对全体居民的收入和支出的调查结果,我们知道处于不同收入阶层的居民有一个平均的支出水平,这一支出水平与收入大致呈线性关系。,图中的这条通过各收入阶层平均支出额的直线,描述了这一依赖关系。我们把这条线称为回归直线。,总体回归模型:,样本回归模型:,第二节 回归模型:,一、几个概念1.条件分布(Conditional distribution):以X取定值为条件的Y的条件分布。2.条件概率(Conditional probability):给定X的Y的概率

5、,记为P(Y|X)。例如,P(Y=55|X=80)=1/5;P(Y=150|X=260)=1/7。3.条件期望(conditional Expectation):给定X的Y的期望值,记为E(Y|X)。例如,E(Y|X=80)=551/5601/5651/5701/5751/5654.总体回归曲线(Popular Regression Curve)(总体回归曲线的几何意义):当解释变量给定值时因变量的条件期望值的轨迹。,二、总体回归函数(Popular Regression Function,PRF)E(Y|Xi)=f(Xi)当PRF的函数形式为线性函数,则有,E(Y|Xi)=0+1Xi其中0和

6、1为未知而固定的参数,称为回归系数。1和2也分别称为截距和斜率系数。上述方程也称为线性总体回归函数。三、“线性”的含义“线性”可作两种解释:对变量为线性,对参数为线性。一般“线性回归”一词总是指对参数为线性的一种回归(即参数只以它的1次方出现)。四、PRF的随机设定 将个别的Yi围绕其期望值的离差(Deviation)表述如下:ui=Yi-E(Y|Xi)或 Yi=E(Y|Xi)+ui其中ui为随机误差项(Stochastic error)或随机干扰项(Stochastic disturbance)。线性总体回归函数:PRF:Yi=0+1Xi+ui=E(Y|Xi)+ui,五、随机扰动项的意义 随

7、机扰动项是从模型中省略下来的而又集体地影响着Y的全部变量的替代物。显然的问题是:为什么不把这些变量明显地引进到模型中来,而以随即扰动项来替代?理由是多方面的:(1)理论的含糊性:理论不能完全说明影响因变量的所有影响因素。(2)数据的欠缺:无法获得有关数据。(3)主要变量与次要变量:希望能找到与有较大影响的核心变量的关系。(4)内在随机性:因变量具有内在的随机性。(5)替代变量差异:替代变量和被替代变量之间总是存在一定的差异。(6)简化原则:研究中尽可能使回归式简单。,六、样本回归函数(SRF,Sample RegressionFunction)由于在大多数情况下,我们不可能得到X、Y的所有可能

8、的数值,只能用抽样的方法,取得X、Y的样本观测值,用样本回归方程SRF去拟合总体回归方程PRF。,样本1,样本2,样本回归函数SRF:,在回归分析中,我们用SRF估计PRF。,第三节 参数的最小二乘估计(Least Squares Estimation,LSE),考虑回归模型:,其中ui是除了X以外的其它若干因素。,一、最小二乘估计的基本假定1、零均值。随机扰动项ui的均值为零。即,E(ui|Xi)=02、同方差。随机扰动项ui的方差相等。即 Var(ui|Xi)=E(ui-E(ui)|Xi2=E(ui2|Xi2=23、无自相关。各个扰动项无自相关。即:,4、随机扰动项ui解释变量Xi不相关。

9、即Cov(ui,Xi)=Eui-EuiXi-EXi=0 i=1,2,n5、ui服从正态分布,即uiN(0,2),i=1,2,n,二、普通最小二乘估计(Ordinary Least Squares,OLS)基本思路:用样本回归函数估计总体回归函数。,估计,真实值,用,求解这一最小化问题,根据最大化的一阶条件:,例1,已知某商品的需求量Y(万吨)随价格X(元)变化的统计资料如下,求需求量Y随价格X变化的回归方程。年份 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 需求量 100 75 80 70 50 65 90 100 110 65价格 5

10、7 6 6 8 7 5 4 3 9,几个常用结果:,三、最小二乘估计OLS的性质(高斯-马尔柯夫定理)在所有线性无偏估计量中,OLS估计量有最小方差,即OLS是BLUE(Best Linear Unbiased Estimator)。1.线性性 2.无偏性 3.最小方差性,(1)线性性:,为Yi的线性函数,2、无偏性:最小二乘估计,的数学期望值分别等于总体回,归系数的值,3、最小方差性:OLS估计量,在所有线性无偏估计量中,具有最小方差。即,四、最小二乘估计的方差,第四节 模型检验一、经济意义检验 检验所建的模型的是否符合经济理论,主要是检验模型参数的符号和大小是否与经济理论以及人们的经验一致

11、二、统计检验 1、拟合优度检验(判定系数)拟合优度检验是指对样本回归线与样本观测值之间拟合程度的检验。度量拟合程度的指标是判定系数R2。基本思路:因变量Y的总变异,能够被X的变异解释的比例越大,则说明OLS回归线对总体的解释程度越好,反之就越差。总的离差平方和的分解:,PRF,估计的Y值围绕其均值的总变异,未被解释的Y值围绕回归线的Y值的变异,总平方和(TSS):说明实际的Y值围绕其均值的总变异,R2 测度了在Y的总变异中,由回归模型解释的部分所占的比例。R2 越高,回归模型拟合的程度就越好。R2 的性质:(1)非负。(2)0R2 1其它表达方式:,定义拟合优度R2:,例2:对例1进行拟合优度

12、检验,并说明其意义。,2、相关系数检验 相关系数:表示两个随机变量之间的相关程度。定义为:,以样本方差和样本协方差估计X、Y的方差和协方差,样本相关系数为:,样本相关系数的平方与拟合优度相等,但二者的意义不同。(拟合优度是回归分析中提出的,而相关系数是相关分析中提出的。),相关系数检验的步骤:,例3,对例1进行相关系数检验。,3、F检验(总体回归方程显著性检验),三大分布:,t:标准正态除以卡方开方的分布(注意自由度)F:两个独立的卡方变量之商的分布(注意自由度),:若干个独立的标准正态平方和的分布,F检验的步骤:,方差分析(analysis of variance,ANOVA)表,思路:若E

13、SS/RSS 比较大,则X对Y的解释程度就比较高,可以推测总体存在线性关系。拟合优度R2与F检验具有一致性:,例4,对例1进行F检验解:TSS=3272.5 ESS=2707.5 RSS=565 F*=(2707.58)/565=38.33 38.33F0.05(1,8)=5.32 因此,回归方程显著成立.方差分析表:,Analysis of Variance SOURCE DF SS MS F p Regression 1 2707.5 2707.5 38.34 0.000 Error 8 565.0 70.6 Total 9 3272.5,四、t检验(参数显著性检验),T检验的步骤:,例5

14、,对例1进行t检验。,五、预测(Prediction Forecast)(一)点预测,点预测的两种解释:,(二)区间预测(Interval Estimation)1、总体均值E(Y0|X0)的区间预测区间估计:为了判断点估计与真值的接近程度,可以通过构造以估计值为中心的一个区间(随机的),以该区间包括了真值的概率来确定估计值接近真值的把握程度:,2、总体个别值Y0的区间预测,例6,在例1中,若X0=10,求Y0及E(Y0|X0)的预测值和预测区间,六、案例分析,小结:一元线性回归分析的主要步骤,1、建立回归模型 研究某一经济现象,先根据经济理论,选择具有因果关系的两个变量(Y,X),建立线性回

15、归模型,确定解释变量和被解释变量。如果不明确两个变量是否为线性关系,也可以根据散点图来分析。建立回归模型可以是根据经济理论,也可以根据相同或相似经济现象的历史分析经验来建立回归模型。建立模型时,不仅要考虑理论或经验的依据,同时也要考虑数据的可利用程度。2、收集数据,并经过适当的加工整理,得到适于回归分析的样本数据集。3、估计模型参数。利用样本数据,以OLS得到模型参数的估计值。,4、对回归模型和参数估计值进行检验。检验回归结果是否正确反映经济现象,是否与理论相符。包括理论检验和统计检验。经济理论检验:参数的符号,大小是否与理论和实际相符。若不符,寻找原因(数据?模型设定?理论错误?)统计检验:

16、拟和优度检验,估计量、回归方程的显著性检验。5、预测 对于解释变量的特定值,带入回归方程得到因变量的预测值;在给定的置信水平上,得到因变量预测值的置信区间。,6、回归结果的表述:,并说明参数的显著水平()。,以回归分析为工具的实证分析文章的结构,一、研究的来源和基础 对研究的经济现象的描述;研究该现象的意义;相同或相似的代表性研究的方法、结论,并作总结评价;本研究的出发点;文章的结构介绍。二、理论分析 选择合适的经济理论,利用理论对要研究的经济想象做定性分析,得到大致的结果;建立理论模型。三、建立回归模型 根据理论模型,建立合理、可分析的回归模型。回归模型的形式、解释变量的个数和选择,不一定与数理模型完全相同。四、对所使用的数据做出说明 数据的来源;数据加工的原因和处理方式;替代数据的说明等。五、回归结果及对结果的分析 列出回归的结果(包括参数的估计值和统计检验结果);结合理论分析回归结果六、结论/总结/应用,

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 生活休闲 > 在线阅读


备案号:宁ICP备20000045号-2

经营许可证:宁B2-20210002

宁公网安备 64010402000987号